Искусственный интеллект против врачебного мышления: инсайты Анастасии Жуковой с конференции по биохакингу и антиэйджингу
Мир переживает фундаментальный сдвиг в восприятии технологий. Еще пару лет назад технологические гиганты спорили о том, чей искусственный интеллект совершеннее. Сегодня парадигма изменилась, а главным тезисом Кремниевой долины стала фраза: «AI is everything» (ИИ повсюду). Нейросети стремительно проникают в каждую индустрию, и инвесторы без колебаний финансируют интеграцию умных алгоритмов в любые сферы бизнеса и жизни.
Индустрия здоровья и биохакинга стала одной из самых перспективных точек роста для ИИ-решений. Но насколько применимы существующие ИИ-инструменты на практике? Готовы ли алгоритмы взять на себя диагностику и управление здоровья человека?
Эту острую тему подняла Анастасия Жукова – руководитель инновационного медицинского проекта в Таллине в области превентивной медицины. Анастасия посетила масштабную международную конференцию, посвященную антиэйджингу и доказательному долголетию. Привезенные ею инсайты заставляют по-новому взглянуть на возможности современных нейросетей и развенчивают популярные мифы о «цифровом биохакинге».
Зачем ИИ превентивной медицине и как математика оценивает силу науки
Интеграция ИИ в превентивную медицину – это не погоня за технологическими трендами, а прагматичный рациональный ответ на информационную перегрузку в современной науке.
В мире ежедневно публикуются сотни медицинских статей и результатов клинических испытаний, которые, к сожалению, в силу ограниченных человеческих ресурсов, не могут быть своевременно изучены. В итоге превентивная медицина сталкивается с проблемой: многие громкие исследования, обещающие «революционное лечение», на практике имеют слабую доказательную базу.
Ярким примером эффективного решения этой проблемы стал проект «Нестарение» (Nestarenie.net) Дмитрия Веремеенко: авторы проекта внедрили ИИ для автоматизации оценки надежности научных публикаций.
Как это работает ?
Специализированный алгоритм использует математические модели для глубокого аудита данных, эффективно разделяя доказательную науку и субъективный вымысел
Как именно ИИ фильтрует научные данные:
- Оценка объекта тестирования: Алгоритм разделяет, где тесты проводились на людях, а где – только на лабораторных животных, результаты которых нельзя автоматически переносить на человека.
- Расчет статистического совпадения: ИИ вычисляет реальный, а не завышенный авторами процент успешных исходов.
- Фильтрация эффекта плацебо: Алгоритм определяет вероятность того, что улучшение у группы испытуемых наступило из-за самовнушения или случайных факторов.
Спикер отметила, что для формирования медицинских рекомендаций алгоритм использует только публикации с уровнем достоверности от 80% и выше
На основе полученной “очищенной” базы данных ИИ-платформа выполняет свою главную прикладную функцию – автоматический расчет рисков. Пользователь загружает результаты комплексных обследований (анализы крови, УЗИ, МРТ), а нейросеть мгновенно сопоставляет его маркеры здоровья с верифицированными исследованиями, рассчитывает индивидуальные риски заболеваний и выдает персональные рекомендации по коррекции образа жизни.
Эксперимент с 28 анализами: где ошибаются популярные нейросети
Другой важнейший аспект применения ИИ в медицине – использование популярных языковых моделей (LLM) как врачами, так и самими пациентами.
«Сегодня практически все пациенты приходят на прием, уже предварительно расшифровав свои анализы с помощью ChatGPT», – констатирует Анастасия.
Чтобы проверить, насколько применимы универсальные нейросети в реальной диагностике, один из докладчиков конференции провел эксперимент. Он взял 28 собственных показателей крови и отправил абсолютно идентичный текстовый запрос (промт) во все ведущие нейросети, доступные на рынке: DeepSeek, GPT, Claude и Groq.
Результаты оказались отрезвляющими – нейросети регулярно допускали критические ошибки.
Основные слабые места современных LLM-моделей в медицине:
- Склонность к галлюцинациям. Базовая модель GPT в ходе теста могла легко выдумать несуществующее медицинское исследование или сослаться на авторитетный источник, который при проверке оказывался обычной публицистической статьей, не имеющей отношения к доказательной науке.
- Дефект длинных диалогов. При составлении сложных терапевтических протоколов нейросети демонстрируют нестабильность. ИИ может внезапно «забыть» базовые вводные данные, загруженные в начале диалога, и выдать некорректную рекомендацию (например, перепутать время приема препаратов или дозировки), что требует постоянного контроля человеком.
- Разница в качестве моделей. По наблюдениям участников эксперимента, на текущий момент модель Claude демонстрирует более точные, сбалансированные и глубокие результаты при анализе сложных медицинских текстов по сравнению со стандартным ChatGPT. Однако при длительном обучении под конкретные задачи GPT также становится качественным инструментом.
Почему ИИ ошибается: конфликт «референсов» и «оптимальных норм»
Главная причина, почему универсальный ИИ выдает некорректную медицинскую аналитику, кроется в данных, на которых он обучался. Обычный ИИ ориентируется исключительно на стандартные лабораторные референсы (усредненные показатели условно здоровых людей, при которых человека просто еще не нужно госпитализировать).
Однако превентивная медицина работает с оптимальными нормами, которые сигнализируют о скрытых дефицитах задолго до начала болезни.
В чем ограничения ИИ при анализе здоровья:
- Поверхностный анализ: ИИ видит, что показатель находится внутри «коридора» на бланке лаборатории, и пишет, что все в порядке. Он не видит латентный дефицит (например, скрытый железодефицит), который может быть реальной причиной хронической усталости и выгорания пациента.
- Отсутствие контекста: Качественная диагностика требует интеграции ИИ с другими данными. Нейросеть должна оценивать маркеры крови только в связке с генетикой, семейным анамнезом, паттернами сна и огромными опросниками (минимум на 160 вопросов).
Обычной нейросети не хватает медицинского контекста. Без специализированного обучения она выдает поверхностный разбор анализов, слепое следование которому может нести серьезные риски для здоровья
Главный вывод
Подводя итог, Анастасия Жукова сформулировала фундаментальное правило, которое применимо как в медицине, так и в управлении бизнес-процессами:
ИИ в медицине сегодня – это мощный ускоритель операционных процессов. Он незаменим для обработки гигантских массивов информации, фильтрации научных статей и автоматизации первичного скоринга данных.
Однако машина не способна заменить человеческое мышление, клинический опыт и способность к глубокому системному анализу. ИИ – это сильный ассистент, но конечный контроль всегда остаются за человеком.
Материал подготовлен по итогам встречи сообщества Baltic Business Club. Статья носит информационный характер и отражает практический опыт приглашенных экспертов и резидентов клуба.
